階躍發佈 StepAudio 3 ，多款語音模型登頂 Artificial Analysis 全球榜單

9月15日，階躍發佈新一代語音大模型 StepAudio 3 系列，一次性推出 StepAudio 3 Realtime、StepAudio 3 ASR、StepAudio 3 TTS、StepAudio 3 Gen 和 StepAudio 3 Music 五款模型，覆蓋實時語音交互、語音識別、真人級語音生成和音樂創作等場景。其中，多款模型在權威第三方 AI 模型評測機構 Artificial Analysis 榜單中位列全球第一。

相比過去主要圍繞語音識別或語音生成等單項能力展開競爭，StepAudio 3 將能力進一步延伸至語音理解與生成、實時推理、任務執行和音頻創作的全棧能力，讓 AI 不僅能夠“聽”和“說”，也能夠理解聲音背後的語義與情緒，並參與更完整的交互和內容生產過程。其中，面向實時語音交互場景的 StepAudio 3 Realtime 支持原生全雙工對話，可以在持續交流過程中判斷何時回應、何時等待，並處理臨時打斷和連續反饋。在 Artificial Analysis Conversational Dynamics 榜單中，該模型以 98.9% 的綜合得分排名全球第一。

與傳統實時語音模型主要追求低延遲和自然對話不同，StepAudio 3 Realtime 還進一步加入了語音推理和任務執行能力。模型能夠同時理解語義、語氣、情緒及環境聲音，並支持推理與語音生成並行；Tool Call 和長任務則可以異步執行，在任務運行期間不打斷當前對話。其在 Artificial Analysis Speech Reasoning 榜單中同樣位列全球第一。在語音識別方面，StepAudio 3 ASR 將高精度識別與大語言模型的上下文理解和知識能力結合，不僅要解決“聽清楚”，也進一步提升對專業術語、人名、地名、方言及複雜上下文的理解能力。

該模型支持中文、英文、方言、中英混說、長音頻和專業領域等多類場景，並針對低聲、快速語音、含糊連讀以及背景音樂等複雜輸入進行優化。在 Artificial Analysis 非流式語音識別準確性榜單中，StepAudio 3 ASR 的 WER（詞錯誤率）為 1.7%，並列全球第一。WER 越低意味著轉寫錯誤越少，該成績意味著模型在第三方綜合測試中的語音識別準確率已處於全球第一梯隊。除實時交互和語音識別外，此次發佈也進一步拓展了語音生成模型的能力邊界。

StepAudio 3 TTS 面向真人級語音生成，在音色、語調、節奏、停頓和情緒表達之外，還能夠生成笑聲、遲疑、重複、改口等真實交流中常見的副語言表現。該模型採用流式生成架構，可實現生成與播放同時進行，滿足實時語音應用需求。StepAudio 3 Gen 則進一步將人聲、音效、環境聲和背景音樂等原本分散的生成環節整合到在一起。用戶可以通過自然語言描述角色、場景和劇情，一次生成包含多種聲音元素的完整音頻，並控制角色音色、情緒以及不同聲音出現的時間與順序，廣泛適用於影視、動畫、遊戲、廣播劇、有聲書和短視頻等內容生產場景。

面向音樂創作的 StepAudio 3 Music 不再侷限於“一句話生成一首歌”，而是支持歌曲創作、清唱配樂、歌曲翻唱以及基於 ABC 記譜法的多輪交互創作。用戶可以通過歌詞、清唱、參考歌曲等不同形式與模型共同完成編曲和作品迭代，使 AI 更深入參與實際音樂生產流程。過去一年，語音大模型正從單項的語音識別和生成能力，逐漸走向實時交互、聲音理解與內容創作的融合競爭。隨著 StepAudio 3 系列發佈，階躍音頻模型的產品版圖，已經全面覆蓋了聽、說、理解、推理和創作。目前，StepAudio 3 系列五款模型均已上線階躍星辰開放平臺。